灰色理論權重調整算法在火電廠水汽故障診斷系統中的應用

，，

(廣東電網公司電力科學研究院，廣州 510080)

0 引 言

在發電廠汽水循環系統運行過程中，由汽水品質變化所反映的故障征兆既有確定性又有模糊隨機性的特征，因此可以結合專家經驗與模糊推理模型來推理分析。目前，具有代表性的推理模型主要是基于專家知識庫經驗判據，文中在專家經驗基礎上補充了基于灰色模型理論(多屬性權重)調整算法的模糊性推理。其中專家經驗主要是根據現場操作人員獲得每次故障發生時的汽水品質參數特征值，最后匯總分析出故障發生時參數特征值的范圍，由人工或者專家系統推理出設備故障；基于權重調整算法的模糊性推理是指設備故障征兆的判斷不再局限于汽水品質指標，而是加入其他具有內部聯系但不明確的指標(灰色指標)作為統一推理分析的特征參數，把設定好的權重因子與參數序列的灰色關聯系數進行計算，然后由專家系統對計算出的權重得分值進行推理，最終得到診斷分析結論[1-4]。

多屬性權重調整的推理方法是將給水、爐水、凝結水、飽和蒸汽及過熱蒸汽等的汽水品質參數與其他灰色參數作為故障診斷因子，構建了不同工況條件下的關鍵設備的診斷模型，同時對所有汽水循環系統的模型進行統一整合，形成了整個汽水循環系統診斷模型監控圖，從而構成了完整的汽水化學過程故障診斷的專家系統[5-8]。當汽水品質劣化時，此專家系統會迅速確診故障原因，提供設備故障的早期預警，有效保障熱力設備的長期安全運行[9-10]。

1 診斷分析過程

汽水品質診斷分析過程主要包括專家知識庫構建、導則庫構建、模型構建、數據采集、模型計算、在線診斷、診斷報告分析等，實現了從電廠SIS與ERP數據庫中提取模型對應的診斷指標，然后調用模型中的相關算法，把計算的結果作為診斷因子，再由專家系統推理出最終的診斷結果，并生成報告；同時實現了汽水循環系統圖的在線診斷畫面，能夠從診斷畫面中即時得到設備故障狀態，做到早期預警提示與設備故障報告輸出，同時實現了診斷模型在線輸入驗證性計算與閥限值調整。

圖1 診斷分析過程

2 屬性權重調整算法描述

通過汽水品質的參數特征值與以往的專家經驗，可以判斷相對簡單的設備故障，但故障發生存在很多不確定性。除了汽水指標本身以外，其他某些指標也存在一定的內部聯系,文中把這些數量不定、個數不定的指標稱之為設備診斷多屬性關聯指標。文中引入灰色理論中的灰色方程進行計算，并對這些指標參數分配權重來進一步修正算法與診斷過程，從而有效獲取設備故障發生前的運行狀態和更準確的診斷結果。

2.1 多屬性權重調整模型推理

為了增強權重調整算法的求解能力，本文采用帶有權值和灰色關聯系數的推理模型，通過模型得出最終的關聯系數權重調整值ω，再由專家系統對ω進行推理，相應的專家系統判據可表示為：

ifFi(S(0,m),ω(0,m))

thenRS(m)。

(1)

其中：

m為權重調整值閥限分段數，見3.1章節表1故障導則表。

(1)Fi為證據組合，即故障征兆，S(0,m-1)為證據(Fi)的專家系統判斷條件的邊界值，ω(0,n)為證據(Fi)的關聯系數權重調整值，RS(0,m)為診斷結論。

(2)

公式(2)中Wi為權重，權重滿足:

(3)

γi為灰色關聯系數。

公式(1)最終分解為專家導則，并細化診斷分析結果：

ifs0≤ω(0,n)

ifs1≤ω(0,n)

(4)

ifsm-1≤ω(0,n)≤SmthenRS(m)

從上面可以看出，公式(4)實際為公式(1)的分解，公式(1)是證據結論的組合。其中RS(m)為診斷結果，其由專家系統把ω(0,n)作為判斷條件的因子，提取知識導則庫對應的診斷結果，即設備故障狀態描述與對應的處理措施組合。

2.2 多屬性權重調整算法實現

為計算(2)式γi關聯數，設診斷模型的汽水指標原始序列：

X’0={x0(j0)|j0=1,2,…n} 參考序列

X’1={x1(j1)|j1=1,2,…n} 比較序列

為了對診斷對象數X1據序列進行評價分析，由于不同指標的數據在數量上差異很大，無法進行基于權重的關聯評價計算,需要對比較序列的各指標數據進行無量綱化處理，最終得到無量綱序列：

X0={x0(j0)|j0=1,2,…n} 參考序列

X1={x1(j1)|j1=1,2,…n} 比較序列。

(5)

設X0(k)為X0(為參考序列)的第k個數；X1(k) 為X1的第k個數，則比較序列X1對參考序列X0的灰色關聯系數:

(6)

簡記為：

(7)

式中：

(8)

為參考序列與比較序列絕對差值中最小值計算，X0為先分別由比較數列X1上的每一個點與參考數列X0上的每一個點之絕對差值中取最小值，再由這些最小值當中選取最小值。

(9)

為參考序列與比較序列絕對差值中最大值計算，X0為先分別由比較數列X1上的每一個點與參考數列X0上的每一個點之絕對差值中取最大值，再由這些最大值當中選取最大值。

式中分辨系數：0<ρ<1 一般取ρ=0.5。

文中設備故障診斷以專家系統作為支撐，通過構建知識庫、診斷導則等作為知識的表達方式，形式類似公式(1)與公式(4),公式(4)實際為公式(1)的分解，公式(1)是證據結論的組合。專家知識庫導則定義通常為 ifsm-1≤ω(0,n)≤smthenRS(m)方式，通過計算得到的最終關聯系數權重調整值ω(0,n)，然后判斷關聯系數權重調整值的范圍，不同范圍對應不同的故障診斷結論。最終，把關聯系數權重調整值ω(0,n)代入公式(1)，得出診斷結果。

2.3 模型執行流程

模型基于在線診斷平臺系統，其執行過程由平臺系統服務程序遍歷知識庫判斷導則，然后把電廠的動態數據生成被診斷的序列，與參考序列進行關聯度分析及代入權重進行計算，最終按照導則庫定義得出診斷結論與對應的處理措施。模型執行流程示意圖如圖2所示。

圖2 模型執行流程

3 應用分析

3.1 專家系統導則建立

文中對電廠汽水品質所反映的設備故障等現象推理是基于專家系統的，并在傳統專家經驗基礎上增加了多屬性權重調整算法。以電廠汽水循環過程中的給水、爐水、凝結水、飽和蒸汽等的監測指標作為診斷分析因子，經過模型計算后得到關聯系數權重調整值(ω(0,n))，其作為專家系統診斷的閥限值，而閥限值在條件中如何確定，人工難以判斷與維護。比如某導則:

if 關聯系數權重調整值>=0 and 關聯系數權重調整值<10 then 凝汽器可能泄漏 ;else if關聯系數權重調整值>=10 and 關聯系數權重調整值<30 then 凝汽器泄漏 ;else 凝汽器肯定泄漏。

以上述導則為例，用模型優化模塊來確定關聯系數權重調整值(ω(0,n))，其過程是歷史故障數據進行推理計算得出故障的閥限與對應的故障現象，最終得到故障導則集合Fi(S(0,m),ω(0,m))，見表1。

表1 故障導則表

3.2 多屬性權重調整模型優化

上述導則中關聯系數權重調整值在什么范圍所反映的診斷結論則需要動態調整，即模型優化調整。其由專業人員通過輸入設備不同故障狀態時的參數值(Xi={x1,x2,…xn})與權重值(Wi={w1,w2,…wn})，然后由對應的優化計算模塊生成關聯系數權重調整值，進而調整專家系統導則定義的閥限值。模型優化調整流程示意圖如圖3所示。

圖3 模型優化調整流程示意

3.3 現場應用實例

當電廠現場數據(如實時數據)采集到之后，程序調用診斷模型及其預先定義的指標序列、權重序列,然后以實時數據生成診斷序列。通過多屬性權重調整算法得到灰色關聯系數調整值，再由專家系統推理出診斷結論并輸出。以某電廠1 000 MW機組凝汽器泄漏診斷(負荷700～1 000 MW)為例的模型計算數據集見表2。

表2 模型計算數據

據上表數據:

(1)原始序列：

X’(0,8)={7,10,0.3,0.2,50,15,605,25} 參考序列(機組正常運行時數據)。

X’(1,8)={25,35,0.45,0.5,10,3,604.5,25.7}比較序列1(某個時刻采集數據)。

(2)比較序列與參考序列進行無量綱化處理，最終根據公式(5)得：

X(0,8)={1,1,1,1,1,1,1,1}

X(1,8)={3.571,3.5,1.5,2.5,0.2,0.2,0.999,1.028}

(3)根據公式(8)和公式(9)差值計算

Δmin=0.001(最小極差)

Δmax=2.571 (最大極差)

(4)灰色關聯系數計算

=0.333 575 (k=0)。

=0.339 831 (k=1)。

=0.7 204 456 (k=2)。

=0.461 823 (k=3)。

...

=0.979 295 (k=8)。

(5)最終得關聯系數序列：

γ(0,8)={0.333 575,0.339 831,0.720 446,0.461 823,0.616 819,0.616 819,0.999 845,0.979 295}

(6)已知權重序列：

w(0,8)={10,40,35,5,3,2,2,3}

(7)式(2)得權重調整計算值：

(8)根據公式(4) 、公式(1)與專家系統判斷邏輯得：

ifsm-1≤ω(0,n)≤smthenRS(m)，計算因子代入得 ifω>=40 and ω<60 then 凝汽器泄漏：即 52.48介于 40 到 60 之間，則診斷結論(RS)：凝汽器泄漏；

(9)比較序列為下表數據

比較序列27.019.80.270.21511560725

同樣經過上述計算過程得到值為：87.52 則看出隨著鈉離子、電導率、溶解氧指標非常接近標準值，最終的計算值越高，凝汽器處于正常狀態，根據模型計算數據集表(表2)中的導則，則計算值87.52反映凝汽器運行正常。

對上述樣本檢查發現，通過多屬性權重調整算法能夠快捷地診斷出汽水循環系統設備的早期故障征兆以及故障。

4 結 論

文中所闡述的分析診斷系統可以通過對不同位置的裝置進行數據采集與在線診斷，實現了對整個汽水循環系統的診斷過程。構建的專家系統，可提供了模型調整修正功能，為關聯系數權重調整值的閥限提供了尋優的手段與方法，提供了量化診斷依據和條件，合理有效的解決了人工主觀性因素的影響，比傳統的專家系統更準確、及時地進行汽水品質故障診斷與早期預警。

[1] 劉思峰，郭天榜，黨耀國.灰色系統理論及其應用(2版)[M].科學出版社.ISBN：7030076176.

[2] 王 鈺，儲江偉.基于Daubechines小波分析的汽車電控發動機失火故障診斷信息提取[J].森林工程，2014，30(2)：138-142+166.

[3] 張杰藝，孫振偉，許 濤.基于AVR的汽車節油及故障預警的智能化指示儀[J].森林工程，2013，29(5)：67-69+72.

[4] 曹順安，胡家元，盛 凱.不確定性推理在火電廠水汽化學過程故障診斷中的應用[J].化工自動化及儀表,2009,36(2):54-58.

[5] 盧學軍，繆思恩.故障診斷專家系統知識處理及知識庫管理方法研究[J].計算機工程與應用，2001，(24): 167169.

[6] 韓邦華，鮑紅書，李光霞．面向對象的故障診斷專家系統[J]．機械制造，2003，(3):4-6.

[7] 陳士昂,劉 謹,吳惠明.數據庫及其相關技術在故障診斷專家系統中的應用[J]．控制理論與應用，2004,(3):1317.

[8] 周本省.工業水處理技術「M].北京，化學工業出版社,1997：95 -96.

[9] GB/T12145-2008,火力發電機組及蒸汽動力設備水汽質量[S].

[10] (美)J.賈拉塔諾(JosephGiarratano) (美)G.賴利(GaryRiley).專家系統原理與編程[M].機械工業出版社; 第1版ISBN: 7111075811.